遥感是获取地面信息的重要手段,对地理国情普查、污染防治、抗震救灾、农作物长势分析等方面都起到重要作用。遥感影像云检测是遥感影像数据处理的前提,云检测精度的好坏直接影响后续影像的分析解译。近年来,机器学习、深度学习算法在遥感影像数据处理方面应用越来越广泛,而遥感影像云检测可归类于深度学习中语义分割任务。所以本文基于深度学习算法进行遥感影像云检测。本文的创新主要包括:（1）提出基于改进DLinkNet算法的遥感影像云检测算法。由于人工勾取云掩膜使用原始的DLinkNet算法进行训练的结果较差,所以对原始的DLinkNet算法进行改进。首先,使用带有注意力机制的ResNeSt替换DLinkNet原始的主干网络ResNet,使编码器阶段可以提取到更多的语义特征。其次,原始损失函数的加权分析表明,仅使用交叉熵时精度最高。最后,将预测结果与原始影像经过条件随机场,从而保持良好的云边界。（2）提出融合注意力机制的DenseNet遥感影像云检测算法。针对原始的云检测算法对小块云检测检测精度低,提出了融合注意力机制的DenseNet遥感影像云检测算法。首先,基于编码器解码器结构,不再使用原始的ResNet算法作为编码器,而是使用DenseNet作为编码器,从而提取到更多的特征。其次在中间层,首先经过GCNet进行全局上下文建模,然后进入双重注意力机制结构,以抽取到更多的特征连接,并使用级联空洞卷积增大感受野。最后,解码器使用DenseNet,跳越连接到编码器的特征抽取结果,以保持更多的原始特征。（3）云检测模型部署。深度学习训练好的模型可以转化为两种格式供C++进行调用,分别为.pt文件及.onnx文件,其中在测试期间发现部分复杂模型转换为.pt文件之后,进行C++调用时无法完全追踪,从而得不到与原始.pth模型相同的结果。基于此问题将原始的模型转换为onnx文件格式,使用C++进行调用追踪,后将预测结果基于GDAL库矢量化,生成云矢量。最后基于QT及QGIS库编写界面程序,以实现不同算法的便捷调用及快捷展示。同时提供可执行程序接口以供云检测程序的集成调用。本论文有图64幅,表16个,参考文献91篇